Redes neuronales de gráficos equivalentes para la estimación rápida de la densidad de electrones de moléculas, líquidos y sólidos

  • Marzari, N., Ferretti, A. & Wolverton, C. Métodos de estructura electrónica para el diseño de materiales. Nat. Mate. 20736–749 (2021).

    CAS
    ArtículoA

    Google Académico
    A

  • Payne, MC, Teter, MP, Allan, DC, Arias, TA & Joannopoulos, JD Técnicas iterativas de minimización para cálculos de energía total ab initio: dinámica molecular y gradientes conjugados. Rev.Mod. física 641045 (1992).

    CAS
    ArtículoA

    Google Académico
    A

  • Unke, OT Campos de fuerza de aprendizaje automático. química Rvdo. 12110142–10186 (2021).

    CAS
    ArtículoA

    Google Académico
    A

  • Deringer, VL et al. Proceso de regresión gaussiana para materiales y moléculas. química Rvdo. 12110073–10141 (2021).

    CAS
    ArtículoA

    Google Académico
    A

  • Behler, J. Cuatro generaciones de potenciales de redes neuronales de alta dimensión. química Rvdo. 12110037–10072 (2021).

    CAS
    ArtículoA

    Google Académico
    A

  • Kondrakov, AO Colapso de red inducido por transferencia de carga en materiales catódicos ncm ricos en ni durante la delitiación. J. física. química C 12124381–24388 (2017).

    CAS
    ArtículoA

    Google Académico
    A

  • Dixit, M., Markovsky, B., Schipper, F., Aurbach, D. & Major, DT Origen de la degradación estructural durante el ciclo y baja estabilidad térmica de materiales de electrodos basados ​​en metales de transición en capas ricos en ni. J. física. química C 12122628–22636 (2017).

    CAS
    ArtículoA

    Google Académico
    A

  • Varanasi, AK, Bhowmik, A., Sarkar, T., Waghmare, UV y Bharadwaj, MD Ajuste del potencial electroquímico de licoo 2 con sustitución de cationes: predicciones de primeros principios y origen electrónico. iónicos 20315–321 (2014).

    CAS
    ArtículoA

    Google Académico
    A

  • Kuo, L.-Y., Guillon, O. & Kaghazchi, P. Sobre el origen de la variación no monotónica de los parámetros de red de lini 1/3 co 1/3 mn 1/3 o 2 con litiación/delitiación: a estudio de primeros principios. J.Mater. química A 813832–13841 (2020).

    CAS
    ArtículoA

    Google Académico
    A

  • Chang, J. et al. Compuestos de perovskita sin plomo cssn1-xgexi3-ybry explorados para una absorción de luz visible superior. física química química física 2314449–14456 (2021).

    CAS
    ArtículoA

    Google Académico
    A

  • Barragan-Yani, D. & Albe, K. Estructura atómica y electrónica de dislocaciones perfectas en los materiales absorbentes solares cuinse 2 y cugase 2 estudiadas mediante cálculos de primeros principios. física Rev B 95115203 (2017).

    ArtículoA

    Google Académico
    A

  • Castellani, NJ, Branda, MM, Neyman, KM e Illas, F. Estudio de la teoría funcional de la densidad de la adsorción del átomo de au en el óxido de cerio: efecto de los sitios de superficie poco coordinados. J. física. química C 1134948–4954 (2009).

    CAS
    ArtículoA

    Google Académico
    A

  • Palmer, C. Pirólisis de metano con un catalizador de aleación de cobre fundido. Catálogo ACS. 98337–8345 (2019).

    CAS
    ArtículoA

    Google Académico
    A

  • Zaffran, J. & Toroker, MC La ionicidad del enlace metal-oxígeno como descriptor eficiente de la actividad fotocatalítica del niooh dopado. ChemPhysChem 171630–1636 (2016).

    CAS
    ArtículoA

    Google Académico
    A

  • Vasileff, A. Control de selectividad para la reducción electroquímica de co2 mediante redistribución de carga en la superficie de aleaciones de cobre. Catálogo ACS. 99411–9417 (2019).

    CAS
    ArtículoA

    Google Académico
    A

  • Cao, B. et al. Reversibilidad de líquidos iónicos basados ​​en imido: un estudio teórico y experimental. RSC Avanzado. 711259–11270 (2017).

    CAS
    ArtículoA

    Google Académico
    A

  • Mangiatordi, GF, Hermet, J. y Adamo, C. Modelado de la transferencia de protones en dímeros similares a imidazol: un estudio de la teoría funcional de la densidad. J. física. química A 1152627–2634 (2011).

    CAS
    ArtículoA

    Google Académico
    A

  • del Olmo, L., Morera-Boado, C., López, R. & de la Vega, JMG Análisis de densidad electrónica del líquido iónico de cloruro de 1-butil-3-metilimidazolio. J. Mol. Modelo. 201–10 (2014).

    CAS
    ArtículoA

    Google Académico
    A

  • Armaković, S., Armaković, SJ, VraneÅ¡, M., Tot, A. & Gadžurić, S. Dft estudio del salicilato de 1-butil-3-metilimidazolio: un líquido iónico de tercera generación. J. Mol. Modelo. 211–10 (2015).

    ArtículoCAS

    Google Académico
    A

  • Shen, J.-X., Horton, M. & Persson, KA Un algoritmo de inserción de cationes general basado en la densidad de carga para generar nuevos materiales de cátodo de iones de litio. Cálculo npj. Mate. 61–7 (2020).

    ArtículoCAS

    Google Académico
    A

  • Kahle, L., Marcolongo, A. y Marzari, N. Cribado computacional de alto rendimiento para conductores de iones de litio de estado sólido. Entorno Energético. ciencia 13928–948 (2020).

    CAS
    ArtículoA

    Google Académico
    A

  • Tsubaki, M. & Mizoguchi, T. Campo profundo cuántico: función de onda basada en datos, generación de densidad de electrones y predicción y extrapolación de energía de atomización con aprendizaje automático. física Rev. Lett. 125206401 (2020).

    CAS
    ArtículoA

    Google Académico
    A

  • Lewis, AM, Grisafi, A., Ceriotti, M. & Rossi, M. Aprendiendo densidades de electrones en la fase condensada. J. Chem. Teoría y Computación. 177203–7214 (2021).

    CAS
    ArtículoA

    Google Académico
    A

  • Brockherde, F. et al. Omitir las ecuaciones de Kohn-Sham con el aprendizaje automático. Nat. común 8872 (2017).

    ArtículoCAS

    Google Académico
    A

  • Bogojeski, M. et al. Predicción eficiente de densidades de electrones 3D utilizando aprendizaje automático. arXiv https://doi.org/10.48550/arXiv.2205.05475 (2018)

  • Grisafi, A., Wilkins, D., Csányi, G. & Ceriotti, M. Aprendizaje automático adaptado a la simetría para las propiedades tensoriales de sistemas atomísticos. física Rev. Lett. 120036002 (2018).

    CAS
    ArtículoA

    Google Académico
    A

  • Grisafi, A. et al. Modelo transferible de aprendizaje automático de la densidad electrónica. Ciento ACS. ciencia 557–64 (2019).

    CAS
    ArtículoA

    Google Académico
    A

  • Fabrizio, A., Grisafi, A., Meyer, B., Ceriotti, M. & Corminboeuf, C. Aprendizaje de densidad electrónica de sistemas no covalentes. química ciencia 109424–9432 (2019).

    CAS
    ArtículoA

    Google Académico
    A

  • Sinitskiy, AV, Pande, VS La red neuronal profunda calcula las densidades de electrones y las energías de un gran conjunto de moléculas orgánicas más rápido que la teoría funcional de la densidad (DFT). arXiv https://doi.org/10.48550/arXiv.1809.02723 (2018).

  • Ronneberger, O., Fischer, P. y Brox, T. En Informática de Imágenes Médicas e Intervención Asistida por Ordenador (MICCAI). Apuntes de clase en informática vol. 9351 (eds. Navab, N. et al.) 234–241 (Springer, 2015).

  • Zepeda-Núñez, L. et al. Densidad profunda: eludir las ecuaciones de Kohn-Sham a través de redes neuronales que preservan la simetría. J. Cómputo. física 443110523 (2021).

    ArtículoCAS

    Google Académico
    A

  • Chandrasekaran, A. Resolviendo el problema de la estructura electrónica con el aprendizaje automático. Cálculo npj. Mate. 51–7 (2019).

    ArtículoA

    Google Académico
    A

  • Kamal, D., Chandrasekaran, A., Batra, R. & Ramprasad, R. Un modelo de predicción de densidad de carga para hidrocarburos utilizando redes neuronales profundas. Mach. Aprender. ciencia Tecnología 1025003 (2020).

    ArtículoA

    Google Académico
    A

  • Alred, JM, Bets, KV, Xie, Y. y Yakobson, BI Aprendizaje automático de la densidad electrónica en nanotubos de carbono reticulados con azufre. compos. ciencia Tecnología 1663–9 (2018).

    CAS
    ArtículoA

    Google Académico
    A

  • Gilmer, J., Schoenholz, SS, Riley, PF, Vinyals, O., Dahl, GE Paso de mensajes neuronales para la química cuántica. En Conferencia Internacional sobre Aprendizaje Automático. 1263-1272 (ACM, 2017).

  • Schütt, KT, Sauceda, HE, Kindermans, P.-J., Tkatchenko, A. & Müller, K.-R. SchNet: una arquitectura de aprendizaje profundo para moléculas y materiales. J. Chem. física 148241722 (2018).

    ArtículoCAS

    Google Académico
    A

  • Gong, S. Predicción de la distribución de la densidad de carga de los materiales mediante una red convolucional gráfica basada en el entorno local. física Rev B 100184103 (2019).

    CAS
    ArtículoA

    Google Académico
    A

  • Cuevas-Zuviría, B. & Pacios, LF Modelo analítico de densidad electrónica y su inferencia de aprendizaje automático. J. Chem. información Modelo. 603831–3842 (2020).

    ArtículoCAS

    Google Académico
    A

  • Cuevas-Zuviría, B. & Pacios, LF Aprendizaje automático de la densidad electrónica analítica en moléculas grandes a través del paso de mensajes. J. Chem. información Modelo. 612658–2666 (2021).

    ArtículoCAS

    Google Académico
    A

  • Jørgensen, P .B., Bhowmik, A. DeepDFT: Red de paso de mensajes neuronales para una predicción precisa de la densidad de carga. Preimpresión en https://arxiv.org/abs/2011.03346 (2020).

  • Schütt, K., Unke, O. & Gastegger, M. Paso de mensaje equivalente para la predicción de propiedades tensoriales y espectros moleculares. En Actas de la 38.ª Conferencia Internacional sobre Aprendizaje Automático vol. 139 (eds. Meila, M. & Zhang, T.) 9377–9388 (PMLR, 2021).

  • Cohen, TS, Cohen, TS y Nl, U. 33.ª Conferencia Internacional sobre Aprendizaje Automático (PMLR, 2016).

  • Kondor, R., Lin, Z. y Trivedi, S. Avances en sistemas de procesamiento de información neuronal, vol. 31 (Prensa del MIT, 2018).

  • Thomas, N. et al. Redes de campo tensorial: Redes neuronales equivalentes a rotación y traslación para nubes de puntos 3D. Preimpresión en https://arxiv.org/abs/1802.08219 (2018).

  • Anderson, B., Hy, TS y Kondor, R. Avances en sistemas de procesamiento de información neuronal vol. 32 (NIPS, 2019).

  • Qiao, Z. et al. Informar el aprendizaje profundo geométrico con interacciones electrónicas para acelerar la química cuántica. proc. nacional Academia ciencia 119e2205221119 (2022).

    CAS
    ArtículoA

    Google Académico
    A

  • Ruddigkeit, L., van Deursen, R., Blum, LC y Reymond, J.-L. Enumeración de 166 mil millones de pequeñas moléculas orgánicas en la base de datos del universo químico GDB-17. J. Chem. información Modelo. 522864–2875 (2012).

    CAS
    ArtículoA

    Google Académico
    A

  • Ramakrishnan, R., Dral, PO, Rupp, M. & von Lilienfeld, OA Estructuras químicas cuánticas y propiedades de moléculas de 134 kilo. ciencia Datos 1140022 (2014).

    CAS
    ArtículoA

    Google Académico
    A

  • Chung, SJ, Hahn, T. & Klee, WE Nomenclatura y generación de redes triperiódicas: el método vectorial. Acta Crystallogr. A 4042-50 (1984).

    ArtículoA

    Google Académico
    A

  • Klee, WE Redes cristalográficas y sus gráficos de cocientes. cristal. Res. Tecnología 39959–968 (2004).

    CAS
    ArtículoA

    Google Académico
    A

  • Hafner, J. Ab-initio simulaciones de materiales usando vasp: teoría funcional de la densidad y más allá. J. Cómputo. química 292044–2078 (2008).

    CAS
    ArtículoA

    Google Académico
    A

  • Wellendorff, J. Funcionales de densidad para la ciencia de superficies: desarrollo de modelos de correlación de intercambio con estimación del error bayesiano. física Rev B 85235149 (2012).

    ArtículoCAS

    Google Académico
    A

  • Perdew, JP, Burke, K. & Ernzerhof, M. Aproximación de gradiente generalizada simplificada. física Rev. Lett. 773865 (1996).

    CAS
    ArtículoA

    Google Académico
    A

  • Perdew, JP & Wang, Y. Representación analítica precisa y simple de la energía de correlación electrón-gas. física Rev B 4513244 (1992).

    CAS
    ArtículoA

    Google Académico
    A

  • Ceperley, DM & Alder, BJ Estado fundamental del gas de electrones por un método estocástico. física Rev. Lett. 45566 (1980).

    CAS
    ArtículoA

    Google Académico
    A

  • Perdew, JP & Zunger, A. Corrección de autointeracción para aproximaciones funcionales de densidad para sistemas de muchos electrones. física Rev B 235048 (1981).

    CAS
    ArtículoA

    Google Académico
    A

  • Hammer, B., Hansen, LB & Nørskov, JK Energética de adsorción mejorada dentro de la teoría funcional de la densidad utilizando funcionales perdew-burke-ernzerhof revisados. física Rev B 597413 (1999).

    ArtículoA

    Google Académico
    A

  • Zhang, Y. & Yang, W. Comentario sobre «aproximación de gradiente generalizada simplificada». física Rev. Lett. 80890 (1998).

    CAS
    ArtículoA

    Google Académico
    A

  • Csonka, GI Evaluación del desempeño de funcionales de densidad recientes para sólidos a granel. física Rev B 79155107 (2009).

    ArtículoCAS

    Google Académico
    A

  • Huang, B., Symonds, NO, Lilienfeld, OA v. (eds.) Aprendizaje automático cuántico en química y materiales (Primavera, 2018).

  • Batzner, SE (3) Redes neuronales de gráficos equivalentes para potenciales interatómicos precisos y eficientes en datos. Nat. común 132453 (2022).

    CAS
    ArtículoA

    Google Académico
    A

  • Tang, W., Sanville, E. & Henkelman, G. Un algoritmo de análisis de Bader basado en cuadrículas sin sesgo de celosía. J. física. condensa. Asunto 21084204 (2009).

    CAS
    ArtículoA

    Google Académico
    A

  • Jung, R., Metzger, M., Maglia, F., Stinner, C. y Gasteiger, HA Liberación de oxígeno y su efecto sobre la estabilidad cíclica de los materiales de cátodo linixmnycozo2 (nmc) para baterías de iones de litio. J. Electroquímica. Soc. 1641361 (2017).

    ArtículoCAS

    Google Académico
    A

  • Arnaldsson, A. et al. Código: análisis de carga de Bader. http://theory.cm.utexas.edu/henkelman/code/bader/ (2020).

  • Lu, T. & Chen, Q. Indicador de región de interacción: una función de espacio real simple que revela claramente tanto los enlaces químicos como las interacciones débiles. química Métodos 1231–239 (2021).

  • de Silva, P. & Corminboeuf, C. Visualización simultánea de interacciones covalentes y no covalentes utilizando regiones de superposición de densidad. J. Chem. Cálculo de la teoría. 103745–3756 (2014).

    ArtículoCAS

    Google Académico
    A

  • Gasteiger, J., Groß, J., Günnemann, S. Conferencia Internacional sobre Representaciones de Aprendizaje (ICLR, 2020).

  • Behler, J. & Parrinello, M. Representación generalizada de redes neuronales de superficies de energía potencial de alta dimensión. física Rev. Lett. 98146401 (2007).

    ArtículoCAS

    Google Académico
    A

  • Ramakrishnan, R., Dral, P., Rupp, M. y Anatole von Lilienfeld, O. Estructuras químicas cuánticas y propiedades de moléculas de 134 kilos. parte del higo https://doi.org/10.6084/m9.figshare.c.978904.v5. (2014).

  • Jörgensen, PB & Bhowmik, A. Conjunto de datos QM9 VASP. Universidad Técnica de Dinamarca. https://doi.org/10.11583/DTU.16794500 (2022).

  • Jörgensen, PB, Bhowmik, A. Conjunto de datos NMC. Universidad Técnica de Dinamarca. https://doi.org/10.11583/DTU.16837721 (2022).

  • Jörgensen, PB & Bhowmik, A. Conjunto de datos de dinámica molecular de carbonato de etileno. Universidad Técnica de Dinamarca. https://doi.org/10.11583/DTU.16691825 (2022).

  • Jörgensen, PB Implementación del modelo DeepDFT. https://github.com/peterbjorgensen/DeepDFT (2022).

  • Deja un comentario